Hibridni pristopi Flashcards
Kaj so hibridni pristopi?
Hibridni pristopi so kombinacija dveh ali več metod strojnega učenja, ki združujejo njihove prednosti za reševanje kompleksnih problemov.
Zakaj pri strojnih pristopih nimamo jasnega zmagovalca?
Vsak problem ima specifične zahteve, zato je potrebno preizkusiti različne pristope, da ugotovimo, kateri je najbolj učinkovit.
Kakšne so glavne značilnosti odločitvenih dreves?
- Simbolični pristop.
- Nadzorovano učenje na podlagi rešenih primerov.
- Uporabljajo metodo “Deli in vladaj”.
- Atribute izbirajo s heurističnimi funkcijami.
- Zahtevajo diskretizacijo numeričnih vrednosti
Kaj je posebnost nevronskih mrež v primerjavi z odločitvenimi drevesi?
Nevronske mreže uporabljajo konektivistični pristop, pogosto zahtevajo več dela pri določanju topologije in uporabljajo metodo backpropagation za učenje.
Kaj so grobe množice in kdaj so učinkovite?
Grobe množice temeljijo na teoriji množic in so učinkovite pri učenju z nepopolnimi podatki ter na majhnih učnih množicah.
Kaj je cilj hibridnih pristopov?
Združiti dobre lastnosti osnovnih metod v učinkovit hibrid, na primer:
- Odločitvena drevesa + nevronske mreže.
- Nevronske mreže + grobe množice.
Kaj so ansambelske metode?
Namesto enega klasifikatorja uporabljajo več klasifikatorjev (ekspertov), ki glasujejo o končni odločitvi.
Kakšni so glavni cilji ansambelskih metod?
- Povečati natančnost.
- Zmanjšati vpliv posameznih klasifikatorjev na končno odločitev.
Kaj so slabosti ansambelskih metod?
Težja interpretacija rezultatov zaradi uporabe več klasifikatorjev.
Katere pristope uporabljajo ansambelske metode?
- Bagging.
- Boosting.
- Random forests.
Kaj je glavna ideja bagginga?
Uporablja bootstrap vzorčenje za ustvarjanje raznolikosti učnih podmnožic in omogoča paralelno procesiranje.
Kakšne variante bagginga poznamo?
- Spreminjanje velikosti učnih podmnožic.
- Vzorčenje brez vračanja.
- Vzorčenje atributov.
- Uporaba različnih metod strojnega učenja v ansamblu
Kako deluje boosting?
Boosting uporablja uteženo glasovanje, kjer so uteži odvisne od natančnosti klasifikatorjev, in iterativno popravlja napake prejšnjega klasifikatorja.
Kaj je random forests?
Random forests razširjajo idejo bagginga z vzorčenjem tako učnih objektov kot atributov, kar poveča raznolikost klasifikatorjev.
Kakšne so prednosti random forests v primerjavi z boostingom?
- So bolj robustni.
- Enostavni za gradnjo.
- Primerni za paralelizacijo.
- Pogosto natančnejši.
Kaj so evolucijski algoritmi?
Algoritmi, ki posnemajo naravne procese, kot so križanje, mutacija in selekcija, za iskanje rešitev kompleksnih problemov.
Katere vrste evolucijskih algoritmov poznamo?
- Genetski algoritmi (resitev obicajno v obliki binarnih vektorjev), uporabljajo krizanje, mutacijo in selekcijo
- Genetsko programiranje (resitev v obliki racunalniskega programa fitnes je dolocena z uspesnostjo resitve racunskega problema), uporabljajo krizanje, mutacijo in selekcijo
- Evolucijske strategije (resitev v obliki vektorja realnih stevil), uporabljajo mutacijo in selekcijo
- Evolucijsko programiranje(struktura programa je fiksna, razvijajo se le stevilski parametri), uporabljajo mutacijo in selekcijo
Zakaj uporabljamo evolucijske algoritme?
So učinkoviti pri širokem spektru problemov.
Omogočajo resničen paralelizem.
So robustni in odporni na napake.
So uspešni pri kompleksnih problemih.
Kakšne so prednosti evolucijskih algoritmov?
- Ni omejitev v iskalnem prostoru.
- Široko področje uporabe.
- Nizki stroški razvoja.
- Ponuja alternativne rešitve.
- Omogoča interakcijo uporabnika.
Kakšne so slabosti evolucijskih algoritmov?
- Ni garancije za rešitev v realnem času.
- Slabo raziskano teoretično ozadje.
- Visoke računske zahteve.
Zakaj uporabljamo evolucijske algoritme za gradnjo odločitvenih dreves?
Olajšajo delo z odločitvenimi drevesi, avtomatizirajo iskanje optimalnih parametrov in združijo zahteve v fitnes funkcijo.
Kaj je fitnes funkcija pri evolucijskih algoritmih?
Funkcija, ki združuje zahteve, kot so natančnost, uporaba manj atributov in velikost odločitvenega drevesa.
Katere tehnike diskretizacije poznamo?
- Ekvidistancna diskretizacija
- Pragovna diskretizacija.
- Izboljšana diskretizacija (toleranca za dinamično diskretizacijo, faktor z).
Kako poteka indukcija odločitvenih dreves z genetskimi algoritmi?
- Začetna populacija dreves je generirana naključno.
- Drevesa ocenimo glede na učno množico.
- Uporabimo genetske operatorje in ponovimo proces do optimalne rešitve.
Kakšne so prednosti indukcije odločitvenih dreves z genetskimi algoritmi?
- Kakovostne rešitve.
- Uspešna obdelava šuma v podatkih.
- Optimizacija topologije drevesa.
- Možnost pridobitve več ustreznih rešitev.
- Možnost vpliva na gradnjo drevesa.
Kakšne so slabosti indukcije odločitvenih dreves z genetskimi algoritmi?
Velika časovna zahtevnost.
Kaj so osnovne značilnosti genetskega algoritma?
Rešitev je predstavljena kot binarni vektor, uporablja križanje, mutacijo in selekcijo.
Kako genetsko programiranje razlikuje od genetskega algoritma?
Rešitev pri genetskem programiranju je računalniški program, katerega uspešnost je določena z rešitvijo problema.
Kako evolucijsko programiranje razlikuje od evolucijskih strategij?
Pri evolucijskem programiranju se razvijajo le številčni parametri programa, medtem ko strategije razvijajo vektor realnih števil.
Kako izboljšamo raznolikost klasifikatorjev pri ansambelskih metodah?
Z uporabo različnih učnih podmnožic, atributov ali metod strojnega učenja.
